Higress AI Intent插件多场景意图识别能力增强实践

背景介绍

在现代微服务架构中，意图识别作为AI能力的重要入口，其准确性和灵活性直接影响着后续服务的路由决策和响应质量。Higress作为阿里巴巴开源的云原生网关，其AI Intent插件原本仅支持单一意图识别，难以满足复杂业务场景下的多样化需求。

需求分析

在实际生产环境中，AI意图识别往往需要同时处理多个维度的判断：

1. 业务领域识别：用于智能路由到专业领域模型（如金融问题路由到金融专用模型）
2. 缓存控制判断：识别请求是否具有时效性，决定是否启用缓存机制
3. 数据分析分类：为后续的日志分析和数据挖掘提供结构化标签

这种多维度并行识别的需求促使我们对Higress AI Intent插件进行功能增强。

技术方案设计

配置结构优化

新版本插件采用了更符合直觉的YAML配置结构：

prompt: |
  作为智能分类助手，你需要根据用户查询和预设分类确定问题类别...
categories:
- useFor: intent-route  # 用途标识
  options: 
  - Finance
  - E-commerce
  - Law
- useFor: disable-cache
  options:
  - Time-sensitive
  - Innovative-response
llm:
  serviceName: "qwen.dns"
  model: "qwen-long"

关键改进点包括：

1. 支持多用途分类定义
2. 每个分类场景可独立配置选项集
3. 优化了提示词模板的灵活性

响应格式规范

为确保机器可读性，我们设计了严格的响应格式规范：

- {"useFor": "scene1", "result": "result1"}
- {"useFor": "scene2", result: "result2"}

这种行式JSON格式既保持了可读性，又便于程序解析，同时确保不同用途的结果相互独立。

属性存储机制

识别结果通过Wasm标准接口存储：

proxywasm.SetProperty([]string{"intent_category:intent-route"}, "Finance")

采用命名空间前缀intent_category:实现多结果的隔离存储，下游插件可通过标准接口获取特定用途的分类结果。

实现细节

多分类并行处理

核心处理流程分为三个阶段：

1. 模板渲染：将用户问题动态插入预设提示词模板
2. LLM交互：与配置的大模型服务进行对话
3. 结果解析：按规范提取多维度分类结果

错误处理机制

新增了严格的格式校验：

1. 检查每行是否符合JSON格式
2. 验证useFor是否与配置匹配
3. 确认result值在预设options范围内

当出现格式错误时，插件会记录详细错误日志并跳过该条结果，不影响其他有效结果的存储。

应用场景示例

智能路由场景

categories:
- useFor: model-selection
  options:
  - Coding:claude-model
  - Medical:med-llm
  - General:qwen-model

网关可根据识别结果自动选择最适合的专业模型处理请求。

缓存控制场景

categories:
- useFor: cache-control
  options:
  - Real-time:no-cache
  - Static:enable-cache

动态识别请求特性，优化缓存策略，平衡响应速度与资源消耗。

性能考量

1. 批量处理：单次LLM调用完成所有分类，减少交互延迟
2. 结果缓存：相同问题模板的识别结果可缓存复用
3. 超时控制：严格限制LLM响应时间，避免阻塞请求链路

总结

Higress AI Intent插件的多场景意图识别增强，通过精心设计的配置结构和响应规范，实现了业务逻辑与技术实现的优雅解耦。这种设计既保留了简单场景的易用性，又为复杂需求提供了足够的扩展空间，是AI能力与API网关深度集成的优秀实践。